基于安防监控视频的机场出租车运力流的检测分析方法技术

一种基于安防监控视频的机场出租车运力流的检测分析方法，包括如下步骤：步骤1：进行预测时段划分；步骤2：基于机场安防监控视频的乘客识别；步骤3：基于机场安防监控视频的出租车识别；步骤4：乘客流到达率预测；步骤5：出租车运力流到达率预测；步骤6：乘客排队时间预测；步骤7：出租车排队时间预测；由此，本发明专利技术提供更好更合适的客流需求、运力供给的实时感知，更好的根据供需匹配分析对旅客、出租车司机排队时间进行准确的预测，有效提高机场陆侧交通服务水平，极具创新性。极具创新性。极具创新性。

【技术实现步骤摘要】
基于安防监控视频的机场出租车运力流的检测分析方法


[0001]本专利技术涉及机场出租车检测分析的
，尤其涉及一种基于安防监控视频的机场出租车运力流的检测分析方法。

技术介绍

[0002]随着社会经济的发展，民航作为快速、安全的交通方式，目前已成为长距离出行旅客的首选。由于民航运输对于空域要求的特殊性，机场多建于距离城市中心较远的空旷地带，衔接城市与机场之间的陆侧交通成为旅客出行全过程的重要一环。由于民航旅客多携带行李，且对于出行舒适性要求较高，便捷舒适的出租车成为民航旅客去往或离开机场的主要选择。
[0003]由于机场到港旅客(乘坐飞机到达机场)随航班到港的集中性，到港旅客需要排队等候出租车离开机场，而在机场等候载客离开的出租车，同样需要在蓄车场内排队等候载客。对于旅客和出租车司机，获取准确的排队时间预测有利于他们根据自身需求决定是否等待，并缓解等待过程中的焦虑情绪。对于机场管理部门，掌握实时的客流需求和出租车运力供给情况，可以据此开展交通管理和调度工作，提升机场服务水平。因此，对于客流需求、运力供给的实时感知，进而根据供需匹配分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于安防监控视频的机场出租车运力流的检测分析方法，其特征在于包括如下步骤：步骤1：进行预测时段划分，将1天24小时以半小时为单位划分为48个时段：其中，d为特征日标号，包括普通工作日(d1)、普通周末(d2)、节假日前一日(d3)、节假日第一日(d4)、普通假节日(d5)、节假日最后一日(d6)、节假日后一日(d7)的7类；步骤2：基于机场安防监控视频的乘客识别，利用机场安防监控系统，选取正对乘客排队区入口的摄像头，识别各时段进入排队区的累计乘客数量其中，为时段序号；步骤3：基于机场安防监控视频的出租车识别，利用机场安防监控系统，选取正对选取正对出租车蓄车场入口的摄像头，识别各时段进入蓄车场的累计出租车数量其中为时段序号；步骤4：乘客流到达率预测，由步骤2得时段机场出租车乘客到达率为(人/min)，于该数据需在时段结束后方可获得，因此对于该时段之内到达的乘客及车辆，需要根据上一时段采集到的到达率和相同特征日乘客到达率的历史数据，对当前时段到达率进行预测；步骤5：出租车运力流到达率预测，由步骤3得时段机场出租车车辆到达率为(辆/min)，该数据同样需要在时段结束后获得；因此同步骤4，根据上一时段采集到的到达率和相同特征日车辆到达率的历史数据，对当前时段到达率进行预测；步骤6：乘客排队时间预测，根据排队论，机场乘客排队乘坐出租车的过程看作一个M/M/1排队系统，即乘客排队系统，乘客进入乘降区的过程总是呈批次放行，因此将1批乘客看作1位顾客，服务时间为1批乘客登乘出租车所需的时间t
P
，通过现场观测统计获取；由此可得乘客排队系统的服务率为在步骤4得到客流到达率的基础上，根据排队论Little定理计算乘客排队时间其中N
P
为每批放行乘客的数量；步骤7：出租车排队时间预测，根据排队论，机场出租车排队等候载客的过程同样可以看作一个排队系统，即车辆排队系统，出租车辆进入乘降区的过程总是呈批次放行，因此将1批车辆看作1位顾客，服务时间为1批车辆搭载乘客并驶离乘降区所需要的时间t
C
；显然，乘降区及其前后所连接的行车道共同构成了一段道路系统，车辆服务时间t
C
会受到道路拥堵状态的影响，当产生拥堵时t
C
将提高至当拥堵消散后t
C
将逐渐从降至降至和可通过观测统计获取，采用双阈值M/M/1排队模型对该排队系统进行建模并确定出租车排队时间。
2.如权利要求1所述的基于安防监控视频的机场出租车运力流的检测分析方法，其特征在于：步骤2中采用机器视觉识别、质心追踪算法识别各时段进入排队区的累计乘客数量具体流程为：步骤2.1：接入乘客排队区入口的摄像头的安防监控视频流，在视频画面中乘客进入排队区的必经路线上设置虚拟检测线；步骤2.2：采用YOLOv5算法对视频画面中的乘客目标进行识别和标注；步骤2.3：对被识别和标注的乘客目标采用质心追踪算法，识别其质心的移动轨迹；步骤2.4：当步骤2.3中所获取的乘客质心轨迹与步骤2.1中设置虚拟检测线发生碰撞时，进行乘客数量累计计数。3.如权利要求1所述的基于安防监控视频的机场出租车运力流的检测分析方法，其特征在于：步骤3中采用机器视觉识别、质心追踪算法，具体流程为：步骤3.1：接入正对出租车蓄车场入口的摄像头的安防监控视频流，在视频画面中出租车进入蓄车场的必经路线上设置虚拟检测线；步骤3.2：采用YOLOv5算法对视频画面中的出租车目标进行识别和标注；步骤3.3：对被识别和标注的出租车目标采用质心追踪算法，识别其质心的移动轨迹；步骤3.4：当步骤3.3中所获取的出租车质心轨迹与步骤3.1中所设置虚拟检测线发生碰撞时，进行出租车数量累计计数。4.如权利要求1所述的基于安防监控视频的机场出租车运力流的检测分析方法，其特征在于：步骤四中采用ARMA与卡尔曼滤波组合模型进行预测，卡尔曼滤波模型能够有效利用历史同期数据的信息，且具有运算速度快的优点；而ARMA模型对于实时数据的演变趋势有更好的分析建模能力，因此将两种模型组合运用以充分发挥不同模型的优点，提高预测精度。5.如权利要求4所述的基于安防监控视频的机场出租车运力流的检测分析方法，其特征在于：预测流程如下：
①
根据i
‑
1时段获取的客流到达率构建ARMA模型，对i时刻客流到达率进行预测(如公式1)：式中，为采用ARMA模型对的估计值，p为自回归阶数，q为移动回归阶数，ε为误差项，μ、γ、θ为模型待估参数，可采用最小二乘法估计；
②
对噪声协方差矩阵P(i)进行估计(如公式2)，式中状态转移矩阵A＝I，Q为白噪声协方差矩阵：P(i)
‑
＝AP(i
‑
1)A
T
+...

【专利技术属性】
技术研发人员：高国飞，杨陶源，郑汉，陈明钿，郑宣传，王震，秦倩，丁新伟，黄明，
申请(专利权)人：首都机场集团有限公司，
类型：发明
国别省市：